Kais LARIBI
À propos du candidat
Data scientist/ML eng. avec plus de 4 ans d’expérience dans le domaine du conseil en data et markering et plus récemment chez un publisher média. J’ai pu travailler sur plusieurs projets et modèles ML à forte valeur ajoutée pour les business en passant d’un POC à des produits industrialisés sur le cloud tout en traitant des fortes volumétries de données.
Outre les compétences techniques et analytiques requises pour le métier de data scientist/ML engineer j’ai pu développer un bon sens de delivery produit en agile. Je m’intéresse principalement à l’aspect ingénierie, mlops et scalabilité derrière les projets data et je partage souvent mes reflexions ou travaux avec la communauté dans des articles medium que vous pouvez consulter sur medium.com/@kaislar17.
J’ai eu aussi à gérer le cadrage de projets, encadrer des membres plus juniors et faire en sorte que les bonnes pratiques de code et delivery soient une priorité dans l’équipe.
Exemples de sujets:
– Data science en Marketing et publicité/e-commerce: segmentation d’audience/clientèles, scoring d’appétence/churn/, calcul LTV,…
– Time series: prédiction de volume d’audience, prédiction de stocks, gestion des innovations
– MLops/Data Eng.: déploiement en api à grande échelle et monitoring de modèles ML sur Kubernetes, mise en production de modèles et orchestration via Airflow.
– Analytics: analyse de données comportementales sur Bigquery et restitution d’insights pour différentes équipes business dans le domaine du marketing et le tourisme.
– NLP: analyse de texte, développement d’un modèle NER de reconnaissance de mots clés,..
Location
Education
- Etudes d'ingénieur généraliste avec une spécialisation en informatique.
- Etudes d'ingénieur généraliste avec une spécialisation en machine learning appliqué à la finance.
Travail & Expérience
- Construction d'une méthodologie de segmentation d'audience pour nos publishers (sites avec +30M de visiteurs/mois). - Contribution à la création d'un POC de modèle de forecasting d'audience et de revenus combinant plusieurs sources. - Définition des "best practises" et stack d'outils pour livrer des projets de data science/ML (vertex ai, kubeflow, mlflow,...)
- Prédiction des ventes de nouveaux produits (sans historique des données) en exploitant les similarités produits. - Construction d'un système de recommandation d'articles pour aider les agents des centres d'appels à récupérer des articles d'une base de connaissances en temps réel. - Réalisation et présentation de multiples analyses de données BigQuery sur le comportement client dans l'e-commerce (attrition, réponse aux promotions,..) et l'industrie de voyage (préférence clients,..). - Mise en place de modèles de séries temporelles pour prévoir la demande dans le secteur du retail combinant diverses sources (promotions, sell-in, sell-out...) - Déploiement de modèles ML en api à grande échelle sur Kubernetes à l'aide de MLflow et réalisation de tests de charge pour résoudre les problèmes de scalabilité et de disponibilité. - Développement et industrialisation de plusieurs modèles de scoring d'appétences utilisée pour délivrer des publicités ciblées dans un contexte big data (spark).
